文章目录
Pandas.rank() 函数详解
一、参数解析
二、案例分享
默认排名
`降序: ascending = False`
`method = 'min'`
`method = 'max'`
`method = 'first'`
`method = 'dense'`
`na_option='bottom'`
`pct = True`
Pandas.rank() 函数详解
一、参数解析
method
:指定排名时的策略。
默认值为 'average'
,表示相同值的项将会获得平均排名。
可选的取值还包括
'min'
:相同值的项将获得最小排名;
'max'
:相同值的项将获得最大排名;
'first':
相同值的项将获得第一次出现时的排名;
'dense'
。相同值的项将获得连续排名。
ascending
:指定排名的顺序。
默认值为 True
,升序。
设置为 False
降序。
na_option
:指定如何处理缺失值(NaN)。
默认值为 'keep'
,缺失值不参与排名。
设置为 'top'
则将缺失值放在排名结果的顶部。
设置为 'bottom'
则将缺失值放在排名结果的底部。
pct
:指定是否返回百分比排名。
默认值为 False
表示返回实际的排名值。
设置为 True
则返回相对于总项数的百分比排名值。
二、案例分享
import pandas as pd
data = {'Name': ['Alice', 'Bob', 'Charlie', 'David', 'Emma', 'Frank'],
'Score': [90, 85, 85, 75, None, 78]}
df = pd.DataFrame(data)

默认排名
升序、忽略缺失值;
遇到相同数值(如score=85),排名会平分
df['Rank'] = df['Score'].rank()

降序: ascending = False
df['Rank'] = df['Score'].rank(ascending=False)

method = 'min'
相同值的项将获得最小排名;
此处相同值为85,占排名3、4位,取最小3;
此时排名会出现断层
df['Rank'] = df['Score'].rank(method='min')

method = 'max'
相同值的项将获得最大排名;
此处相同值为85,占排名3、4位,取最大4;
此时排名会出现断层
df['Rank'] = df['Score'].rank(method='max')

method = 'first'
相同值的项将获得第一次出现时的排名;
此处相同值为85,占排名3、4位,Name=Bob出现在前,Name=Charlie出现在后;
此时排名不会出现断层
df['Rank'] = df['Score'].rank(method='first')

method = 'dense'
相同值的项将获得连续排名;
此时排名不会出现断层
df['Rank'] = df['Score'].rank(method='dense')

na_option='bottom'
缺失值参与排名;
缺失值排名靠后
df['Rank'] = df['Score'].rank(na_option='bottom')

pct = True
返回百分比排名,如此处score=75排名第1(升序),总项数是5,1/5=0.2;
该参数可以扩展的实际需求:求销售额Top20的商品等
df['Rank'] = df['Score'].rank(pct=True)
